论文摘要
不确定性问题一直成为人们关注和研究的焦点。目前常用的不确定推理方法有:基于概率论的概率推理方法、基于证据理论的证据推理方法、基于模糊集理论的可能度方法和基于粗集理论的粗集方法,这些方法各有优缺点,在当今不确定推理方法中并存,且在不断的发展中,本文分别从证据理论、粗糙集理论和概率理论方面对不确定性推理方法进行了讨论。在基于证据理论推理中,数据融合是将几个来自不同证据源的信任函数组合成一个信任函数,Dempster组合规则是人们常用的方法,后来,许多研究者提出了许多新的组合规则,本文对一些典型的合成模型的优缺点做了研究,并重点研究了可传递信任模型。在粗糙集理论中,精度是量化由粗糙集边界引起的不精确性的一种重要数字特征。然而,传统精度并没有考虑到由等价关系导出的划分的颗粒大小。本文在分析传统精度和由Xu Baowen等人提出的精度的基础上,提出了一种新的精度定义。并给出了它的一些好的性质,而且通过例子说明了它是一种更优的精度定义,并且算法上比Xu Baowen等人的更简单。贝叶斯网是用来表示不确定变量集合联合概率分布的图形模式,它反映了变量间潜在的依赖关系。使用贝叶斯网建模已成为解决许多不确定性问题的强有力工具。本文对贝叶斯网络推理中复杂的网络结构给出了一种基于向内的二叉树模型,使推理计算大为简化,取得较好的效果。
论文目录
相关论文文献
标签：信任函数论文; 数据融合模型论文; 粗糙集论文; 精度论文; 离散度论文; 贝叶斯网论文; 概率计算论文; 不确定推理论文;